Nov, 2023

DyRA：动态分辨率调整用于尺度鲁棒物体检测

PDF
TL;DR我们提出了一个自适应分辨率缩放网络 DyRA，用于现有的检测器，该网络由卷积和 Transformer 编码器块组成，并与特殊设计的损失函数（ParetoScaleLoss 和 BalanceLoss）一起进行联合训练，以返回图像的尺度因子，实现实例特定的缩放。在 COCO、RetinaNet、Faster-RCNN、FCOS 和 Mask-RCNN 上的实验中，与仅进行分辨率调整的多分辨率基线相比，我们的方法分别获得了 1.3%、1.1%、1.3% 和 0.8% 的精度提升。
发现论文，激发创造
  • 动态分辨率网络

    本文提出了一种动态分辨率网络（DRNet），它可以根据输入图像的大小动态地确定输入分辨率，从而优化了神经网络的计算负担，并在 ImageNet 上进行了实验验证。

    Jun, 2021

  • AdaScale: 基于自适应缩放的实时视频目标检测

    本文介绍了一种被称为 AdaScale 的新方法，该方法在视频对象检测方面提供了更好的准确性和速度，并展示了 - imagenet VID 和 mini YouTube - 边界框数据集上的结果。

    Feb, 2019

  • RA-Depth: 分辨率自适应自监督单目深度估计

    本研究提出了一种分辨率自适应的自监督单目深度估计方法，通过数据增强和多路径编码器解码器等方法提高特征融合精度，进而在 KITTI，Make3D 和 NYU-V2 等数据集上取得了具有竞争力的结果。

    Jul, 2022

  • 卷积神经网络中目标检测的循环缩放逼近

    本研究提出了一种基于递归缩小尺度机制的递归尺度逼近算法，以有效解决大规模对象检测中的计算成本瓶颈问题，同时设计了一个全局尺度预测网络和一个地标追溯网络来优化模型性能，并在面部检测基准测试方面取得了超越当前置信度检测方法的结果。

    Jul, 2017

  • AdaZoom：大场景多尺度对象检测的自适应缩放网络

    本文介绍了利用增强学习构建一个应用于小目标检测的自适应放大器，即 AdaZoom，并采用可变放大倍率进行自适应多尺度检测，以及完成 AdaZoom 和检测网络的协同训练。在 VisDrone2019、UAVDT 和 DOTA 数据集上进行了大量实验，验证了 AdaZoom 在不同检测网络上显著提高了性能，并在这些数据集上取得了 state-of-the-art 的表现，尤其在 Vis-Drone2019 上超过了现有方法 4.64% 的 AP。

    Jun, 2021

  • DR Loss: 通过分布式排序提高目标检测精度

    本篇论文提出了分布式排名（DR）损失，以在单一阶段识别前景物体时处理前景和背景类别的数量不平衡和背景候选难度的不平衡。本方法不仅缓解了背景候选的内类别不平衡问题，而且提高了排名算法的效率。将 DR 损失应用于 RetinaNet 中，应用 ResNet-101 作为主干网络，单尺度测试的 mAP 即可从 39.1% 提高到 41.7%，证明了所提出的损失函数的有效性。

    Jul, 2019

  • 用于轻量级单图像超分辨率的动态残差自注意力网络

    本文提出了一种动态残差自注意力网络 (DRSAN) 用于轻量级单图像超分辨率，着重于建筑块之间的残差连接的自动设计，该网络通过动态残差关注 (DRA) 调整它的结构以适应输入统计数据，并进一步使用残差自注意力 (RSA) 模块提高性能。实验结果表明，DRSAN 在 SISR 的网络性能与计算复杂度之间提供了有效的权衡。

    Dec, 2021

  • 通过动态训练实现高质量对象检测的动态 R-CNN

    本文提出了 Dynamic R-CNN 以调整标签分配标准和回归损失函数的形状，这使得训练样本得到更好的利用，并使检测器适应更多的高质量样本。在 MS COCO 数据集上，我们的方法基于 ResNet-50-FPN 基线改进了 1.9% AP 和 5.5% AP$_{90}$

    Apr, 2020

  • 高效推理的分辨率自适应网络

    本论文提出一种新颖的分辨率自适应网络（RANet），通过利用输入样本的空间冗余性，有效地降低了深度网络的计算成本，同时在 CIFAR-10、CIFAR-100 和 ImageNet 数据集上展示了其性能优越性。

    Mar, 2020

  • 基于动态算法和编译器协同设计的设备端超分辨率中的数据过拟合

    通过动态深度神经网络辅助的内容感知数据处理管道，我们提出了一种减少模型数量的方法，以提高性能并节省计算资源，并通过编译优化实现更好的 PSNR 和实时性能，在现成的手机上实现了 1.7 倍的加速，节省了高达 1.61 倍的内存消耗。

    Jul, 2024